13.8.3. Etykietowanie obrazów

Detektor obiektów uczy się na przykładach, które są oznaczone etykietami: każdy obraz treningowy potrzebuje ramki wokół każdego docelowego obiektu, oznaczonej jego klasą. Ręczne etykietowanie setek ramek jest powolne, więc Roboflow je automatyzuje.

13.8.3.1. Auto Label

Na stronie Annotate funkcja Auto Label napędza model bazowy sterowany tekstem: opisujesz każdą klasę słowami, a on znajduje i otacza ramkami te obiekty w całej partii. Dodaj klasę dla każdej rzeczy, którą chcesz wykrywać – stuffed raccoon toy oraz person, aby nauczyć model, co ma ignorować – podejrzyj wynik na kilku obrazach testowych i dostosuj próg pewności każdej klasy, aż ramki znajdą się tam, gdzie powinny.

Auto Label znajduje klasy na podstawie podpowiedzi tekstowych i etykietuje partię – podejrzyj i dostrój progi przed uruchomieniem na każdym obrazie.

Uruchom je na partii, a następnie sprawdź: przejrzyj oznaczone obrazy, popraw te nieliczne, które model błędnie zinterpretował, i usuń wymyślone przez niego ramki. Auto Label wykonuje większość pracy; przegląd wyłapuje jego błędy.

13.8.3.2. Dodawanie do zbioru danych

Oznaczone obrazy trafiają do zbioru danych z podziałem train / valid / test. Podział jest sposobem mierzenia dokładności modelu: trenuje on na obrazach treningowych, jest dostrajany względem zbioru walidacyjnego i oceniany na obrazach testowych, których nigdy nie widział podczas trenowania. Domyślny podział działa – zaakceptuj go, a zbiór danych będzie gotowy do trenowania.